Prediktív automatizálás: az ügyfelek viselkedésének előrejelzése még azelőtt, hogy az bekövetkezne

Mindig fontos gyorsan reagálni, de jobb előre látni. A legtöbb marketingcsapat akkor indítja el a cselekvéseit, amikor egy viselkedés megtörténik (egy e-mail megnyitása, egy űrlap kitöltése, egy oldal meglátogatása stb.).

Ezt reaktív automatizálásnak nevezzük, amely különbözik a prediktív automatizálástól. A CRM-ben meglévő adatok alapján azonosítja azokat a viselkedéseket, amelyek még a megtörténésük előtt bekövetkeznek. Ezután minden adattal rendelkezik a válasz előzetes előkészítéséhez.

Mi a különbség a reaktív és a prediktív automatizálás között?

A hagyományos automatizálás meglehetősen egyszerű elven működik. Ha X megtörténik, akkor Y-nak kell aktiválódnia.

• Egy kapcsolattartó letölt egy tanulmányt? Elkezdődik egy gondoskodó folyamat.
• Egy potenciális ügyfél meglátogatja az árképzési oldalt? Értékesítési riasztás aktiválódik.

A prediktív automatizálás megfordítja a logikát. A korábbi adatokat felhasználva statisztikai modelleket épít, amelyek képesek megjósolni, hogy az ilyen típusú kapcsolatfelvétel, ebben a kontextusban, ezzel a múltbeli viselkedéssel, X% valószínűséggel vásárol a következő 14 napban. Ezen előrejelzés alapján a cselekvés már a vásárlási jel láthatóvá válása előtt aktiválódik.

Ez a különbség aközött, hogy felhívunk egy potenciális ügyfelet, mert most újra meglátogatta az oldalunkat, és aközött, hogy azért hívjuk fel, mert a profilja megegyezik a két héten belül szerződést kötő ügyfelek profiljával.

Viselkedési adatok: az előrejelzés nyersanyaga

Adatok nélkül nem lehet előrejelzést készíteni, és ezek az adatok speciális architektúrát igényelnek. A prediktív automatizálás a CRM-ben található viselkedési előzményekminőségén és mélységén múlik. Minél gazdagabb, pontosabb és központosítottabb ez az előzmény, annál megbízhatóbbak lesznek a prediktív modellek. A jövőbeli viselkedés előrejelzéséhez a legértékesebb adatok nem azok, amelyeket egy űrlapon keresztül gyűjtünk. Ezek az implicit adatok: a meglátogatott oldalak és azok sorrendje, a munkamenetek gyakorisága az elmúlt 30 napban, az egyes szakaszokon eltöltött idő, a többször megnyitott e-mailek és a letöltött dokumentumok. Ezek a **mikro-viselkedési jelek**, amelyek szabad szemmel láthatatlanok egyetlen interakció során, de prediktívvé válnak, ha több száz hasonló folyamaton keresztül elemzik őket.**

Amíg a viselkedési adataid szétszórva vannak az e-mail marketing eszközöd, a CRM-ed és az elemző eszközöd között, gyorsan rájössz, hogy lehetetlen következetes prediktív modellt felépíteni.

A vásárlási szándék a legerősebb jel

Az összes cselekvésre ösztönző jel közül a **vásárlási szándék** A vásárlási szándéknak van a legnagyobb kereskedelmi értéke. Egy látogató, aki ugyanazon a héten megtekinti az árlistádat, letölt egy összehasonlító eszközt, és elolvas két esettanulmányt, nem úgy viselkedik, mint egy potenciális ügyfél a felfedezési fázisban. A viselkedésük hasonlít egy döntést hozó vevőéhez. Ezért valós időben kell észlelned ezeket a szándékjeleket, és össze kell vetned őket a kapcsolattartó cégadatokkal (iparág, vállalatméret, beosztás). Ezután felmérheted egy lehetőség kereskedelmi sürgősségét. Ez a pontozási rendszer nem egy önkényes manuális szabályon alapul, hanem azon kapcsolattartók viselkedési mintáin, akik végül a múltban aláírtak. Ennek eredményeként az értékesítők már nem vesztegetik az idejüket a langyos potenciális ügyfelekre, míg a forró lehetőségek kihűlnek, mert nem észlelték őket. A priorizálás ezután adatokon alapul, nem pedig az intuíción vagy a listán való megjelenés sorrendjén. A pontozás és az előrejelzés művészete a HubSpottal A HubSpot közvetlenül integrálja a pontozási és előrejelzési funkciókat a CRM-jébe anélkül, hogy külső eszközt kellene csatlakoztatnod. Az érdeklődő pontozása lehetővé teszi, hogy viselkedési és demográfiai pontszámot építs fel a kapcsolattartó adatai alapján. Ez valós időben frissül a rögzített interakciók alapján. A manuális pontozás úgy működik, hogy pozitív és negatív pontokat rendel hozzá az általad meghatározott kritériumok alapján. Az árlistádat meglátogató kapcsolattartó pontokat szerez. Az a kapcsolattartó, aki 60 napig inaktív, pontokat veszít. Ez a modell működőképes és hasznos, de korlátozott marad az alapjául szolgáló emberi feltételezések minősége miatt.

A HubSpot AI-funkciói, amelyek a Breeze-en keresztül érhetők el, egy lépéssel tovább mennek. Elemzik a kapcsolattartók korábbi adatait, hogy automatikusan azonosítsák a konverziót megelőző mintákat anélkül, hogy manuálisan kellene meghatároznia azokat. A modell folyamatosan igazodik az új adatok érkezésekor.A HubSpot ügyfelei, akik kihasználják ezeket a mesterséges intelligencia-funkciókat, 65%-os csökkenést tapasztalnak az értékesítés lezárási idejében. Ez a szám közvetlenül tükrözi a prediktív pontozás hatását, amely lehetővé teszi az időben történő beavatkozást.

Adatgazdagítás a HubSpotban kiegészíti ezt a rendszert azáltal, hogy automatikusan feltölti a kapcsolattartói rekordokat külső adatokkal, például a vállalat méretével, az iparággal, a használt technológiákkal és a növekedési jelekkel. Ez az információ gazdagítja a prediktív modelljét anélkül, hogy manuálisan kellene megadnia.

Mi lenne, ha automatizálná az előrejelzett viselkedésre adott válaszokat?

Tudjuk, hogy egy prediktív jel észlelése egy downstream művelet kiváltása nélkül értelmetlen. A prediktív automatizálás sokkal érdekesebbé válik, ha az észlelés közvetlenül egy operatív válaszhoz kapcsolódik. A HubSpotban azonosítottuk egy operatív prediktív forgatókönyv lépéseit. Definiálja a prediktív trigger kritériumokat: egy küszöbérték feletti érdeklődő pontszáma, az elmúlt 7 napban mutatott viselkedés és a firmográfiai tulajdonságok kombinációja. Hozzon létre egy dinamikus listát, amely automatikusan frissül, amint egy kapcsolattartó megfelel ezeknek a kritériumoknak. 400">Konfigurálja a kapcsolódó munkafolyamatot&nbsp: értékesítési értesítés a kapcsolattartó teljes kontextusával, személyre szabott e-mailek sorozatát indítja el, és automatikusan létrehoz egy üzletet a folyamatban.

Állítsa be a kilépési feltételeket&nbsp: a kapcsolattartó kilép a munkafolyamatból, amint válaszol, aláír vagy ellentétes jelzést ad.

Mérje az eredményeket&nbsp: vegye a prediktív modell által aktivált kapcsolattartók és a pontozás nélkül feldolgozott kapcsolattartók konverziós arányát a küszöbértékek fokozatos finomításához.

Ez a típusú forgatókönyv folyamatosan fut a HubSpotban emberi beavatkozás nélkül. Egy potenciális ügyfél, aki eléri a prediktív küszöbértéket a következő napon Vasárnap reggel 8-kor érkezik a megfelelő üzenet az értékesítő CRM-jében, és még a nap kezdete előtt riasztást küld az értékesítő CRM-jében. Egyszerű és igazán hatékony!

Milyen feltételek szükségesek ahhoz, hogy ez a mód valóban működjön?

A prediktív automatizálás bevezetésével nincs varázspálcája. Megbízható eredmények elengedhetetlenek, és számos feltételnek kell teljesülnie.

1. Adatmennyiség: Egy 50 korábbi üzletre épülő prediktív modell megbízhatatlan lesz. Ahhoz, hogy az azonosított minták statisztikailag szignifikánsak legyenek, kellően nagyméretű korábbi adatkészletre van szükség, amely magában foglalja mind a konvertált, mind a nem konvertált kapcsolattartókat. A CRM-jüket elindító szervezeteknek először az adatbázist kell kiépíteniük, mielőtt aktiválnák a prediktív elemzést.
2. Adatminőség: Helytelenül definiált tulajdonságok, feloldatlan duplikátumok, nem követett viselkedések… Ezek mind olyan hiányosságok a modellben, amelyek torzítják az előrejelzéseket. A HubSpot adatbázisának rendszeres auditálása szükséges a pontozás megbízhatóságának fenntartásához. A marketing és az értékesítés közötti összhang a pontszámok értelmezésében: a magas prediktív pontszám nem jelenti azt, hogy a kapcsolattartó 48 órán belül aláírja. A valóságban a profiljuk megegyezik azokkal, akik hasonló időkereten belül aláírták. Azok az értékesítők, akik megértik ezt az árnyalatot, a pontszámot priorizálási jelként használják, nem pedig konverziós garanciaként.

Ha a jelenlegi rendszere továbbra is manuális nyomon követésekre és ösztönösen épített automatizálási szabályokra támaszkodik, akkor feltétlenülnyitnia kell egy ingyenes fiókot.

Prediktív automatizálással kapcsolatos GYIK-unk

Szükséges-e adattudósnak lennie a prediktív módszertan bevezetéséhez? automatizálás?

Természetesen nem! A HubSpothoz hasonló platformokba beépített prediktív pontozási funkciók akkor is elérhetők, ha nincsenek adatelemzési ismereteid. A beállítás vizuális felületeken keresztül történik.

A legfontosabb dolog a forrásadatok minősége és a célok pontossága.

Mi a különbség a manuális és a prediktív érdeklődőpontozás között?

A manuális pontozás az Ön által meghatározott szabályok szerint rendeli a pontokat. Ezek az Ön feltételezésein alapulnak.A prediktív pontozás a kapcsolattartók valós előzményadataira támaszkodik, hogy automatikusan azonosítsa a konverziót megelőző kombinációkat.

Alkalmas-e a prediktív automatizálás kis csapatok számára?

Igen, de csak akkor, ha egyszerűen kezdi. Egy kis csapat elkezdheti az alapvető viselkedési pontozással a HubSpotban, fokozatosan finomíthatja a kritériumait, és aktiválhatja a prediktív funkciókat az adatbázis növekedésével. A hiba az lenne, ha mindent a kezdetektől fogva megpróbálnánk konfigurálni anélkül, hogy rendelkeznénk a modell táplálásához szükséges adatokkal.

Hogyan kerüljük el a téves pozitív eredményeket egy prediktív modellben?

Több jelre kell kereszthivatkoznia, és nem szabad egyetlen kritériumra támaszkodnia. Egy olyan kapcsolattartó, aki csak egyszer látogatja meg az árlistádat, lehet versenytárs, vagy egyszerűen csak kíváncsi. A kritériumok mechanikus kombinálása csökkenti a téves pozitív arányt.

Milyen gyakran kell újrakalibrálni a prediktív modellt?

Legalább évente kétszer, és minden jelentős változáskor az ajánlatodban vagy a célközönségedben. A tavalyi adatokon alapuló modell nem veszi figyelembe a legújabb változásokat. A konverziós arányok pontszámszegmensek szerinti rendszeres felülvizsgálata lehetőséget ad arra, hogy gyorsan észleld a pontosságát veszítő modellt. Sokkal könnyebben tudod majd módosítani.